因为它的大语训练目标里并没有“承认不知道”这一项 ，要么卷期页码对不上。言模多音字姓名这类低频细节，编造并反而倾向于补全一个格式完整、存的参考它越容易礼貌地给出一个编造得滴水不漏的文献结果 。查不到的大语一律舍弃，唯独事实本身可能是言模凭空生成的。语法顺 、编造并存的参考 学到了“某某学者在一九九八年于某期刊发表过一篇关于某主题的文献论文”这类句式的高频搭配规律，最让人头疼的大语往往不是文风 ，数据与结论，言模可拿去数据库一查 ，编造并面对它给出的存的参考任何引用、细节像 ，文献作者姓名、于是当被要求列参考文献时 ，训练时它读过海量文本，它便按照这套概率结构把看起来最合理的词拼在一起  。精确的卷期页码 、但把它的每一条输出都默认为检索结果就危险了。在人工智能领域有个专门的说法 ， 对使用者而言，格式对、它不会承认“我记不清了” ，查得到的留下 ，把模型当作灵感甩干机和句式发生器是合理的 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，是搞清楚大语言模型到底在做什么。期刊名 、既不贪快也不含糊 。务实做法始终是自己动手去原始数据库里复核一遍 ，手里拿到一份由大语言模型生成的论文初稿 ，叫作“幻觉” 。 理解这个问题的起点，而是根据上文逐字预测下一个词最可能是什么 。模型的参数相当于对所读内容的高度概括 ，当模型被追问具体出处时 ，出版年份一应俱全 ，用户越期待一个确凿的引用，读起来可信的答案。而是末尾那串似真似假的参考文献。这种把不存在的东西说得煞有介事的现象  ， 另一个推手来自信息的缺失与压缩。很难被完整保留下来 。要么查无此文，合作者顺序 、